Bildklassificering med convolutional neurala nätverk (CNN)

Använd convolutional neurala nätverk (CNN) för att klassificera stora mängder bilder effektivt för att identifiera element i bilder.

Arkitektur

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

1. Bilduppladdningar till Azure Blob Storage matas in av Azure Machine Learning.
2. Eftersom lösningen följer en övervakad inlärningsmetod och behöver dataetiketter för att träna modellen är de inmatade bilderna märkta i Machine Learning.
3. CNN-modellen tränas och verifieras i Machine Learning-notebook-filen. Det finns flera förtränade bildklassificeringsmodeller. Du kan använda dem med hjälp av en metod för överföringsinlärning. Information om vissa varianter av förtränade CNN finns i Framsteg i bildklassificering med hjälp av convolutional neurala nätverk. Du kan ladda ned dessa bildklassificeringsmodeller och anpassa dem med dina märkta data.
4. Efter träningen lagras modellen i ett modellregister i Machine Learning.
5. Modellen distribueras via batchhanterade slutpunkter.
6. Modellresultatet skrivs till Azure Cosmos DB och används via klientdelsprogrammet.

Komponenter

• Blob Storage är en tjänst som ingår i Azure Storage. Blob Storage erbjuder optimerad molnobjektlagring för stora mängder ostrukturerade data.
• Machine Learning är en molnbaserad miljö som du kan använda för att träna, distribuera, automatisera, hantera och spåra maskininlärningsmodeller. Du kan använda modellerna för att förutsäga framtida beteende, resultat och trender.
• Azure Cosmos DB är en globalt distribuerad databas med flera modeller. Med Azure Cosmos DB kan dina lösningar elastiskt skala dataflöde och lagring i valfritt antal geografiska regioner.
• Azure Container Registry bygger, lagrar och hanterar containeravbildningar och kan lagra maskininlärningsmodeller i containrar.

Information om scenario

Med ökningen av tekniker som Sakernas Internet (IoT) och AI genererar världen stora mängder data. Det har blivit en stor utmaning att extrahera relevant information från data. Bildklassificering är en relevant lösning för att identifiera vad en bild representerar. Bildklassificering kan hjälpa dig att kategorisera stora mängder bilder. Convolutional neurala nätverk (CNN) ger bra prestanda på bilddatauppsättningar. CNN har spelat en viktig roll i utvecklingen av toppmoderna bildklassificeringslösningar.

Det finns tre huvudsakliga typer av lager i CNN:

• Konvolutional lager
• Poollager
• Fullständigt anslutna lager

Det convolutional lagret är det första lagret i ett convolutional nätverk. Det här lagret kan följa ett annat convolutional-lager eller poollager. I allmänhet är det helt anslutna lagret det sista lagret i nätverket.

När antalet lager ökar ökar modellens komplexitet och modellen kan identifiera större delar av bilden. Startskikten fokuserar på enkla funktioner, till exempel kanter. När bilddata avancerar genom cnn-lagren börjar nätverket känna igen mer avancerade element eller former i objektet. Slutligen identifierar det förväntade objektet.

Potentiella användningsfall

• Den här lösningen kan hjälpa till att automatisera felidentifiering, vilket är att föredra framför att enbart förlita sig på mänskliga operatörer. Den här lösningen kan till exempel öka produktiviteten genom att identifiera felaktiga elektroniska komponenter. Den här funktionen är viktig för mager tillverkning, kostnadskontroll och minskning av avfall i tillverkningen. Vid kretskortstillverkning kan felaktiga kort innebära ökade kostnader och minskad produktivitet för tillverkarna. Sammansättningslinjer förlitar sig på mänskliga operatorer för att snabbt granska och validera tavlor som flaggas som potentiellt felaktiga av monteringslinjetestdatorer.
• Bildklassificering är perfekt för sjukvårdsbranschen. Bildklassificering hjälper till att upptäcka bensprickor, olika typer av cancer och avvikelser i vävnader. Du kan också använda bildklassificering för att flagga oriktigheter som kan tyda på förekomst av sjukdom. En bildklassificeringsmodell kan förbättra noggrannheten för MRI:er.
• På jordbruksområdet hjälper bildklassificeringslösningar till att identifiera växtsjukdomar och växter som kräver vatten. Därför bidrar bildklassificeringen till att minska behovet av mänsklig inblandning.

Deltagare

Den här artikeln underhålls av Microsoft. Den skrevs ursprungligen av följande deltagare.

Huvudförfattare:

• Ashish Chauhan | Senior lösningsarkitekt

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Nästa steg

• Mer information om Blob Storage finns i Introduktion till Azure Blob Storage.
• Mer information om Container Registry finns i Introduktion till containerregister i Azure.
• Mer information om modellhantering (MLOps) finns i MLOps: Modellhantering, distribution, ursprung och övervakning med Azure Machine Learning.
• Mer information om SynapseML finns i Synapse Machine Learning.
• Information om hur du utforskar en Microsoft Learn-modul som innehåller ett avsnitt om CNN finns i Träna och utvärdera djupinlärningsmodeller.

Relaterade resurser

Visuell sökning i detaljhandeln med Azure Cosmos DB